Repetisjon: Binære. Dagens plan: Rød-svarte trær. Oppgave (N + 1)!

Transkript

1 Repetisjon: Binære søketrær Dagens plan: Rød-svarte trær (kap. 12.2) B-trær (kap. 4.7) bstrakte datatyper (kap. 3.1) takker (kap. 3.3) For enhver node i et binært søketre gjelder: lle verdiene i venstre subtre er mindre enn verdien i noden selv. lle verdiene i høyre subtre er større enn verdien i noden selv. Eksempel på perfekt balansert tre: rk 1 av 28 Høyde: log 2 (N) Forelesning Forelesning rk 2 av 28 Rød-svarte trær Et rød-svart tre er et binært søketre der hver node er farget enten rød eller svart slik at: Roten er svart. Hvis en node er rød, må barna være svarte. Enhver vei fra en node til en null-peker må inneholde samme antall svarte noder. Disse fargeleggingsreglene sikrer at høyden på et rød-svart tre er maksimalt 2 log 2 (N + 1)! Oppgave Farg nodene i følgende tre slik at det blir et rød-svart tre: ett inn tallet 64 på riktig plass og med riktig farge. Forsøk så å sette inn tallet 81. Forelesning rk 3 av 28 Forelesning rk 4 av 28

2 Rotasjoner på binære søketrær jelder generelt, ikke bare for rød-svarte trær! Zig-zag rotasjon: Zig rotasjon: B B1 B2 B B1 + symmetrisk tilfelle... B2 + symmetrisk tilfelle... Forelesning rk 5 av 28 Forelesning rk 6 av 28 Innsetting i rød-svart tre 1. jør innsetting som i vanlig binært søketre, der den nye noden farges rød. 2. La og være forelder og besteforelder til. 3. Hvis er svart: lt ok, innsetting ferdig. 4. Hvis er rød: (a) Hvis og er begge venstre eller begge høyre barn: jør zig rotasjon med nødvendige fargeendringer. (b) Hvis er venstre og er høyre barn eller motsatt: jør zig-zag rotasjon med nødvendige fargeendringer. (c) ett til å være den nye roten i det roterte subtreet. (d) Hvis er roten i selve treet: Farg denne svart. Ellers: jenta fra steg 2. B-trær En annen type søketrær. Brukes først og fremst når ikke hele treet får plass i internminnet. Har stor bredde (hver node har mange barn) og er balansert. De øverste nivåene (iallfall rotnoden) lagres i internminnet, resten på disk. Brukes særlig i databasesystemer. Forelesning rk 7 av 28 Forelesning rk 8 av 28

3 Definisjon: B-trær av orden M 1. lle data (eller pekere til data) er lagret i bladnodene. 2. Interne noder lagrer inntil M 1 nøkler for bruk i søking; nøkkel i angir den minste verdien i subtre i Roten er enten en bladnode, eller har mellom 2 og M barn. 4. lle andre interne noder har mellom M/2 og M barn. 5. lle bladnoder har samme dybde og har mellom L/2 og L dataelementer (eller datapekere), der L er en konstant felles for alle bladnoder. Merk: Lærebokens (og våre) B-trær er ellers i litteraturen kjent som B + -trær. Tradisjonelle B-trær har data(pekere) i alle noder. Eksempel B-tre av orden 3 (også kalt et 2-3 tre): ,11,12 16,17 22,23,31 41,52 Her er M = 3 og L = 3. Vi forenkler tegningene litt: 58 58,59,61 8,11,12 16,17 22,23,31 41,52 58,59,61 Forelesning rk 9 av 28 Forelesning rk 10 av 28 Innsetting av element x øking etter element x 1. tart i roten. 2. å lenge vi ikke er i en bladnode: La nøkkel-verdiene bestemme hvilket barn vi skal gå til. 3. Let etter x i bladnoden. 1. Let etter riktig bladnode for x (som for søking). 2. Dersom det er plass, setter vi inn x og oppdaterer eventuelt nøkkel-verdiene langs veien vi gikk. Eksempel: ett inn 18 i treet i eksempelet over. 16:- 16:- 8,11,12 16,17, 18 22,23,31 41,52 58,59,61 Forelesning rk 11 av 28 Forelesning rk 12 av 28

4 3. Dersom bladnoden er full, deler vi den i to og fordeler de L + 1 nøklene jevnt på de to nye bladnodene. Eksempel: ett inn 1 i treet på forrige foil. 4. Dersom splittingen medfører at foreldernoden får for mange barn, splitter vi den også, gir den nye noden til besteforelderen, osv. Eksempel: ett inn 19 i treet på forrige foil. 16:22 11:16 11: - 18:- 1,8 11,12 16,17,18 22,23,31 41,52 58,59,61 1,8 11,12 16,17 18,19 22,23,31 41,52 58,59,61 Forelesning rk 13 av 28 Forelesning rk 14 av Dette kan medføre at vi til slutt må splitte roten i to. (Hvis roten får M + 1 barn.) Da lager vi en ny rot med den gamle roten og den nye noden som barn. Merk: Dette er den eneste måten et B-tre kan vokse i høyden på! Eksempel: ett inn 28 i treet på forrige foil. letting: eksempel Fjern først 17, deretter 23 fra følgende tre: 22:41 16: - 28:- 59:- 16:- 41:- 8,11,12 16,17 22,23 28,31 41,52, 58 59,61, 70 11: - 18:- 28:- 58:- 1,8 11,12 16,17 18,19 22,23 28,31 41,52 58,59,61 Forelesning rk 15 av 28 Forelesning rk 16 av 28

5 letting av element x 1. Finn riktig bladnode B for x ved søking. 2. Dersom B har minst L/2 + 1 elementer, kan vi enkelt slette x. 3. Hvis ikke, må vi kombinere B med en av nabosøsknene: (a) Dersom venstre (høyre) søsken har L/2 + 1 elementer eller mer, flytter vi det største (minste) elementet til B. (b) Dersom nabosøskenen har akkurat L/2 elementer, slår vi de to nodene sammen til én node (med L eller L 1 elementer) 4. Hvis foreldrenoden nå har et barn for lite, må vi gjøre det samme med denne. Osv Hvis roten til slutt bare har ett barn: lett roten, og la barnet bli ny rot. (Treet krymper nå ett nivå.) 6. Husk å oppdatere nøkkelverdiene underveis! Forelesning rk 17 av 28 Tidsforbruk Vi antar at M og L er omtrent like. iden hver interne node unntatt roten har minst M/2 barn, er dybden til et B-tre maksimalt log M/2 N. å hver node må vi utføre O(log M) arbeid (ved binærsøk i sortert array) for å avgjøre hvilken gren vi skal gå. Dermed tar søking O(log M log M/2 N) = O(log N) tid. Ved innsetting og sletting kan det hende at vi må utføre O(M) arbeid på hver node for å rydde opp (f.eks. flytte alle nøkkelverdiene i tabellen en plass til venstre). å innsetting og sletting kan ta O(M log M/2 N) = O( log M M ) log N) tid. Forelesning rk 18 av 28 Hvor stor skal M være? Hvor mange barn skal en node få lov å ha? Hvis hele B-treet får plass i internminnet, har empiriske målinger vist at M = 3 og M = 4 er de beste valgene (innsetting og sletting tar for lang tid hvis M blir for stor). Men B-trær har sin store styrke når ikke hele treet får plass i internminnet. iden en diskoperasjon tar nesten ganger mer tid enn en operasjon i internminnet, gjelder det å minimalisere antall diskaksesser. Hvis det er plass, er det en god idé å lagre alle internnoder i internminnet og alle bladnoder på harddisk. Da kan man velge M = 4 og L så stor at hver bladnode fyller en diskblokk (eventuelt et disk cluster). Hvor stor skal M være når hele treet ligger på disk? Treet blir bredere og får mindre dybde desto større M er. Mindre dybde betyr færre diskaksesser, mens vi kan se bort fra det ekstra oppryddingsarbeidet i nodene som en stor M medfører fordi det foregår i internminnet. I praksis velger man M så stor at en internnode fortsatt får plass på én diskblokk (eller cluster), typisk i området 32 M 256. Man velger L slik at det samme gjelder for bladnodene. nalyser viser at B-trær blir ln 2 = 69% fulle (samme fyllingsgrad som utvidbar hashing). Forelesning rk 19 av 28 Forelesning rk 20 av 28

6 bstrakte datatyper En DT består av: et sett med objekter spesifikasjon av operasjoner på disse Eksempler: DT: binært søketre Operasjoner: Innsetting, søking, fjerning,... DT: mengde Operasjoner: union, snitt, finn,... DT: stakk Operasjoner: push, pop, top,... Hvorfor bruke DTer? DTer skiller det som er viktig (funksjonaliteten) fra detaljene (den konkrete implementasjonen). Dermed kan vi: jenbruke DTen i andre programmer. Enklere overbevise oss om at programmet er riktig. Forandre innmaten (kodingen) av DTen uten å forandre resten av programmet fordi grensesnittet er det samme. Lage modulære programmer. I Java er det naturlig å spesifisere en DT som et interface. Forelesning rk 21 av 28 Forelesning rk 22 av 28 Lister, stakker og køer Lister (kap. 3.2) 1, 2, 3,..., n takker (kap. 3.3) takker En variant av lister, der vi bare har lov til å sette inn og slette elementer fra en bestemt ende av listen. public interface takkinterface { /* Legge et element på toppen av stakken */ void push(object x); Inn Køer (kap. 3.4) Inn Bak Ut Ut Foran /* Fjerne et element fra toppen av stakken */ void pop(); /* Returnere elementet på toppen av stakken */ Object top(); /* Lege en ny stakk/tømme stakken */ void create(); /* jekke om stakken er tom */ boolean isempty(); Ofte vil pop også returnere elementet som fjernes. En stakk er det samme som en LIFO-kø ( Last In First Out ). Forelesning rk 23 av 28 Forelesning rk 24 av 28

7 rray-implementasjon stakktopp Brukes ofte hvis antall elementer på stakken alltid er begrenset. ekerkjede-implementasjon Innsetting og sletting vil da normalt skje på begynnelsen av listen: public void push(object x) { stakktopp++; [stakktopp] = x; public void pop() { stakktopp--; public Object top() { return [stakktopp]; I tillegg: eventuell feilhåndtering Forelesning rk 25 av 28 Forelesning rk 26 av 28 takkoperasjonene - tidsforbruk Uansett hvor mange elementer vi har på stakken, er vi garantert konstant tidsforbruk, det vil si O(1) for alle operasjonene. Dette gjelder uansett om implementasjonen bruker en array eller en pekerkjede. Bedre er det ikke mulig å få det, derfor er stakken en veldig populær DT. amtidig kan mange naturlige problemer løses ved hjelp av en stakk. Typisk bruksmønster er mange stakk-operasjoner, men få elementer på stakken om gangen. Eksempel: Beregning av postfiks uttrykk Ved hjelp av en stakk er det lett å beregne et postfiks uttrykk på følgende måte: For hvert symbol i input: Hvis symbolet er et tall, legges det på stakken. Hvis symbolet er en operator, popper vi to tall fra stakken, anvender operatoren på disse to tallene og dytter svaret tilbake på stakken. Hvis input var et ekte postfiks uttrykk, vil nå svaret ligge som det eneste elementet på stakken. Eksempel: * * å mange maskiner kan disse oversettes til kun to-tre instruksjoner i maskinkode. Forelesning rk 27 av 28 Forelesning rk 28 av 28